TLDR: 本文介绍了一项关于表面功能磁共振(fMRI)分析中潜在偏差的研究。研究发现,当前使用的表面网格存在顶点间距不均匀的问题,这种不均匀性在fMRI数据从MNI空间映射到高分辨率表面网格时产生,并在后续的平滑处理中变得更加明显,使得脑沟区域出现高相关性。这种偏差会影响功能分区、测试重测信度和个体识别等一系列后续分析结果。
doi: https://doi.org/10.1101/2024.07.09.602799
背景
在功能磁共振成像(fMRI)研究中,表面分析已经成为一种越来越流行的方法,因为它能更好地反映大脑皮层的真实形态。然而,最新研究表明,这种分析方法可能存在着我们之前未曾意识到的严重问题。具体来说,研究发现,当前使用的表面网格存在顶点间距不均匀的情况,这种不均匀性可能导致数据分析中出现虚假相关性,从而影响一系列分析结果。
研究结果
1. 局部相关性的沟回偏差
研究发现,在真实静息态fMRI数据中,位于脑沟中的顶点与其邻近顶点的时间序列相关性显著高于位于脑回的顶点。这种关联性与脑沟深度呈显著负相关(r=-0.328, p<0.001),表明邻近顶点之间的相关性随着脑沟深度的增加而增强。
图1.展示了一名受试者的脑沟深度图(图1a)和其局部相关性图(图1b)。可以明显看到,脑沟区域的局部相关性更强。
这种相关性图能够准确地跟踪和体现每个个体独特的皮层折叠结构。如图2所示,当这些相关性图被投影到其他个体的大脑上时,相关性显著减弱,进一步证明了局部相关性包含了个体特异性的解剖信息。
图2a展示了两名参与者的标准化fMRI局部相关性图,叠加在他们各自的皮层表面上。图中可以看到,局部相关性值紧密跟随皮层的折叠模式,特别是在脑回和脑沟之间存在显著差异。图2b展示了将一个参与者的标准化fMRI局部相关性图投影到另一名参与者的大脑表面上。结果显示,相关性图在不同个体之间的匹配度显著降低,表明局部相关性强烈依赖于个体特有的皮层结构。图2c/2d展示了一个参与者的标准化局部相关性值与其脑沟深度的关系。结果表明,两者呈显著负相关(r=-0.500, p<0.001),即脑沟较深的区域(靠近脑回)局部相关性较低。而与另一名参与者的脑沟深度之间的相关性较弱(r=-0.130, p<0.001),进一步证明局部相关性图在不同个体之间的可迁移性较差。图2e通过统计分析比较了每个参与者的脑沟深度图与其自身及其他参与者的局部相关性图之间的相关性。结果显示,每个参与者的局部相关性图与自身脑沟深度的相关性显著高于与其他参与者的相关性,强调了局部相关性图中的个体特异性。
研究进一步发现,表面网格上的顶点间距在脑沟中较小,而在脑回中较大。这种顶点间距的不均匀性是导致局部相关性偏差的主要原因。
图3展示了不同脑区的顶点间距分布及其与局部相关性的关系。结果表明,脑沟区域的顶点距离较小,局部相关性较强,而脑回区域的顶点距离较大,局部相关性较弱(r=-0.653, p<0.001)。
2. 体积到表面的映射和表面平滑的影响
当fMRI数据从MNI空间的体积映射到高分辨率表面时,顶点间距较小的区域(如脑沟)会导致邻近顶点时间序列的高度相似(图4)。这种现象在进一步的表面平滑处理中更加明显(图5)。
图4说明fMRI数据从体积空间映射到表面空间时,尤其是在脑沟区域,由于顶点间距较小,会导致相邻顶点之间产生不真实的高相关性,从而可能影响脑成像分析的准确性。图4a通过一个示意图展示了当fMRI数据从MNI体积空间(2毫米体素)映射到高分辨率的表面网格时,如何在脑沟区域引入虚假相关性。由于脑沟区域的顶点间距较小,一个体素的数据会被映射到多个相邻的顶点上,从而使这些顶点的时间序列高度相似。图4b/c展示了将随机生成的、在体积空间中互不相关的fMRI噪声数据投影到表面网格后的局部相关性图。结果显示,在脑沟区域(顶点间距较小的地方),相邻顶点之间的相关性显著增加(r=-0.596, p<0.001)。
图5说明了表面平滑处理如何进一步加剧fMRI数据中的虚假局部相关性,尤其是在顶点间距较小的脑沟区域。图5a通过一个示意图展示了当对表面fMRI数据进行平滑处理时,由于脑沟区域的顶点间距较小,平滑核会跨越多个相邻顶点,导致这些顶点的时间序列更加相似,从而引入虚假的局部相关性。图5b/c展示了在中厚表面和球面上分别生成随机噪声时间序列,并对这些数据进行2毫米FWHM高斯核平滑处理后的局部相关性图。结果显示,在皮层表面的脑沟区域,局部相关性显著增加,而在球面上,由于顶点间距较为均匀,局部相关性保持较低水平。
3. 这些偏差对功能像分析的影响
研究表明,这些偏差会对功能分区、测试重测信度、个体识别(指纹识别)等分析产生显著影响。
功能分区
在功能分区中,分区边界更倾向于出现在脑回区域,这是因为在这些区域,fMRI信号的变化更为显著。即使我们在分区时使用的是随机噪声而非真实的fMRI数据,分区边界依然会倾向于跟随个体特有的脑回结构。
图6主要说明了在功能分区分析中,分区边界更倾向于出现在脑回区域,而非脑沟区域。这种现象可能是由于fMRI信号在脑回区域变化更为显著,从而导致分区算法更容易在这些区域划分边界。图6a展示了在一名参与者的左半球中,功能分区的边界顶点(以粉色标示)和非边界顶点(以黄色标示)。这些边界顶点更倾向于出现在脑回区域,而非脑沟区域。图6b通过统计分析比较了边界顶点和非边界顶点的脑沟深度(sulcal depth)。结果显示,边界顶点的脑沟深度值更接近于正值(即更接近脑回),而非边界顶点的脑沟深度则更接近于负值(即更接近脑沟)。这种差异表明,功能分区的边界更容易沿着脑回分布。
重测信度和预测
基于顶点水平的功能连接分析能够达到极高的测试-重测信度,并且在指纹识别中达到100%的准确性!这是因为fMRI数据中包含了被试者皮层折叠的信息,而这种沟回折叠结构具有高度的可靠性和遗传性。
图7A中每个网格表示一个参与者的测试(横轴)和重测(纵轴)功能连接矩阵之间的相关性。颜色表示相关系数的大小,越接近红色表示相关性越高。在分区水平上(左),相关性最高的值并未集中在对角线上,这意味着重测数据无法与原始测试数据准确匹配。顶点水平(右)的功能连接最高的相关性值集中在对角线上,表明重测数据能够与其对应的测试数据准确匹配。图7b展示了在排除不同距离阈值下的短程连接后,指纹识别准确性随阈值变化的情况。在随机噪声数据中(左),当排除距离超过5毫米的短程连接时,指纹识别准确性迅速下降至随机水平(10%)。而在真实静息态fMRI数据中(右),即使排除了超过5毫米的短程连接,指纹识别的准确性依然保持较高水平,表明这些短程连接在真实数据中仍然含有显著的个体特异性信息。
对分区(parcel)均值的影像
在基于表面的分区分析中,脑沟区域的顶点由于间距较小,在分区均值计算中被过度代表。研究显示,脑沟顶点的时间序列与分区均值之间的相关性显著高于脑回顶点(r=-0.249, p<0.001),这导致分区均值偏向脑沟区域的数据。即使通过增加脑回顶点的权重来调整分区均值,这种相关性仍然无法完全消除(调整后的相关性r=0.102, p<0.001),表明脑沟顶点在分区分析中的不成比例贡献是一个难以完全纠正的偏差。
结论与建议
本研究揭示了表面网格中顶点间距不均匀性在fMRI分析的影响,它可能导致许多常见分析的结果失真。研究人员建议,使用低分辨率的表面网格可以在一定程度上减轻这种偏差,但要完全消除这些影响,仍然需要更多研究。
按理来说,本文观测到的这种偏差,在使用均匀采样的皮层模板后可以得到较好的缓解,也许在正式发表的文章中,作者会(被要求)纳入相关的分析。